| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 服务性能自优化问题研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-16页 |
| 第2章 研究基础 | 第16-26页 |
| 2.1 BP神经网络理论 | 第16-17页 |
| 2.2 深度学习算法 | 第17-19页 |
| 2.3 受限玻尔兹曼机和深度置信网络 | 第19-22页 |
| 2.3.1 受限玻尔兹曼机 | 第19-20页 |
| 2.3.2 深度置信网络 | 第20-22页 |
| 2.4 服务性能自适应优化动作综述 | 第22-24页 |
| 2.4.1 资源调整自适应 | 第22-23页 |
| 2.4.2 副本部署自适应 | 第23页 |
| 2.4.3 服务迁移自适应 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第3章 服务性能自优化行为预判处理过程 | 第26-34页 |
| 3.1 服务性能自适应行为预判问题的提出 | 第26-29页 |
| 3.2 服务性能自适应行为预判过程的处理方法 | 第29-32页 |
| 3.2.1 基于“预判”的云服务性能自适应优化过程 | 第29-30页 |
| 3.2.2 基于离线学习的预判过程处理方法 | 第30-32页 |
| 3.3 本章小结 | 第32-34页 |
| 第4章 预警事件生成方法 | 第34-46页 |
| 4.1 基于SLA约束事件的预警事件 | 第34-38页 |
| 4.1.1 服务质量与服务等级协议 | 第35页 |
| 4.1.2 SLA约束事件 | 第35-36页 |
| 4.1.3 预警事件 | 第36-38页 |
| 4.2 预警事件的触发与更新 | 第38-39页 |
| 4.3 预警事件生成过程与算法 | 第39-45页 |
| 4.3.1 预警事件的生成过程 | 第40-43页 |
| 4.3.2 预警事件生成算法 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 基于深度学习的服务性能自适应动作类型选择模型的生成方法 | 第46-60页 |
| 5.1 基于DBN的服务性能自适应动作类型选择模型的设计 | 第46-48页 |
| 5.2 服务性能自适应动作类型选择模型的训练方法 | 第48-59页 |
| 5.2.1 学习数据提取 | 第49-51页 |
| 5.2.2 学习数据预处理 | 第51-52页 |
| 5.2.3 学习数据样本化 | 第52页 |
| 5.2.4 学习数据标签化 | 第52-53页 |
| 5.2.5 基于深度学习的自适应动作类型选择模型训练算法 | 第53-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第6章 实验结果与分析 | 第60-74页 |
| 6.1 实验环境 | 第60-62页 |
| 6.2 基准测试 | 第62-64页 |
| 6.3 预警事件生成算法的实验过程与结果分析 | 第64-67页 |
| 6.4 自适应动作类型选择模型实验过程与结果分析 | 第67-71页 |
| 6.5 本章小结 | 第71-74页 |
| 第7章 总结与展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 攻读硕士期间论文发表情况 | 第82页 |
